从 Arm 行业报告看芯片产业应如何构建面向未来十年的技术基石

半导体产业正经历一场由人工智能 (AI) 崛起以及传统摩尔定律放缓所驱动的关键转型。在此背景下，Arm于近日发布了《芯片新思维：人工智能时代的新根基》行业报告。在报告中，来自 Arm 与业界的专家提供了多元化的视点，深度解读了 AI 时代启幕之际的行业现状与趋势，探讨了行业应如何在满足 AI 带来的算力需求同时，解决能效、安全性与可靠性等挑战。

报告指出，为应对AI的爆发式增长所带来的空前计算需求，芯片行业正持续发展演进。产业正在积极采用定制芯片、计算子系统 (CSS) 和芯粒等创新技术与方法，而这些技术与方法将定义未来十年的技术创新方向。

定制芯片在全行业的广泛采用

如今，几乎所有的半导体行业从业者都在探索和投资定制芯片，特别是全球四大超大规模云服务提供商，他们在2024年全球云服务器采购支出中占了近半数的份额。

Arm 解决方案工程部执行副总裁Kevork Kechichian表示，传统的 SoC 通常是通用芯片组，而定制芯片则是针对特定市场、应用或客户的需求而量身打造的芯片解决方案。

例如，AWS Graviton4 是基于 Arm 技术打造的定制芯片解决方案，专为加速数据中心和 AI 工作负载而设计，该解决方案实现了性能与能效的显著提升。

此外，微软在2023年发布了首款面向云端定制的芯片 Microsoft Azure Cobalt，该芯片选用了 Arm Neoverse 计算子系统 (CSS) 进行打造，旨在应对复杂的计算基础设施挑战。去年，Google Cloud 也发布了基于 Arm Neoverse 平台的 Axion 定制芯片，专为应对数据中心复杂的服务器工作负载而设计。

Kevork 指出，并非仅限于超大型云服务提供商，许多中小企业也在积极研发专属的定制芯片解决方案，以应对日益复杂的计算需求。例如，在 Arm 技术和英特尔代工服务 (IFS) 的支持下，芯片设计技术提供商智原科技正在开发面向数据中心和先进 5G 网络的 64 核定制 SoC。韩国的 AI 芯片公司 Rebellions 也宣布打造新的大规模 AI 芯片平台，用以提升AI 工作负载的能效表现。

定制芯片被认为是实现更高效 AI 计算的重要趋势，但定制芯片在成本、研发周期以及生态构建等方面存在的挑战如何应对？

Kevork表示，定制芯片的开发成本非常高，所需的资源也非常大，这既体现在投入开发的人力上，也体现在为开发定制芯片所需的大量计算资源上。为此，Arm 已探索出多种能够有效降低开发投入的方法。

从加快产品上市的角度出发，Arm 的定制化解决方案能够让合作伙伴显著缩短其产品上市周期。最基础的方法是从平台的角度出发，识别可复用的模块与资源，并确保定制工作是在已有基础上进行，无需一切从零开始。同时还需要充分评估现有的资源，并在此基础上构建定制化产品。正是基于这种方式，Arm 与 SoC 及各类 IP 提供商密切合作，将解决方案交付给合作伙伴。

计算子系统（CSS）与芯粒技术的崛起

Arm Neoverse CSS 经过验证的核心计算功能以及灵活的内存与 I/O 接口配置，加快了产品上市进程，带来显著的优势。它在确保软件一致性的同时，为 SoC 设计人员提供了灵活性，使其能够基于 CSS 周围新增定制子系统，以打造差异化的解决方案。

先进的封装技术和工艺是近期芯片演进的另一个重要方向，推动了芯粒的发展。这些技术允许多个半导体晶粒的堆叠和互连，在提升性能和能效的同时，开创了现代芯片设计的可能性，如晶粒间接口以及新的 2.5D 和 3D 封装解决方案。

理想情况下，芯片厂商无需重新设计一款芯片，只需添加更多芯粒以增加算力和性能，甚至可以升级现有芯粒，从而更快地将新产品推向市场。与此同时，生产更小的芯片还有助于提高良率，并减少制造过程中的浪费。

作为致力于推动芯粒发展的领先企业，Arm 已在整个技术生态系统内展开合作，借助通用框架和行业标准来加速芯粒市场的发展。

在谈及芯粒技术发展面临的挑战时，Kevork 表示，在我们当前所处的技术范式中，最关键的是如何对芯粒 (chiplet) 的设计与接口方式进行标准化。这涉及从封装厂如何集成这些芯粒，一直到在系统中不同芯粒之间进行通信的全过程。因此，与合作伙伴就标准化问题达成共识至关重要。

在此背景下，Arm 推出了芯粒系统架构 (Chiplet System Architecture, CSA)，致力于对各个芯粒之间及在整个系统内的通信方式等多个方面实现标准化。此外，Arm 还携手合作伙伴共同推动 AMBA CHI 芯片到芯片互连协议等倡议的落地实施，确保来自不同供应商的不同芯粒通过一个统一的接口协议来确保芯粒之间的互操作性。

过去，标准化常被视为放弃自身的 IP 或竞争优势。但如今，鉴于系统的高度复杂性以及合作模式的演变，标准化变得尤为重要——所有参与方都将从中获得多重益处。

应对 AI时代的安全威胁

随着 AI 驱动的网络攻击手段不断演变，构建更具弹性和适应性的安全机制，确保芯片在复杂多变的网络环境中的安全性成为必选项。

Kevork 认为，当前行业正在加速演进，针对 SoC 平台 IP 的攻击手段日趋复杂。Arm 正在通过构建多层级的软硬件防护体系，提升防御能力。比如，Arm 在芯片中直接集成加密技术，并结合经 AI 强化的安全监测系统，使现代 SoC 架构能够抵御传统攻击与新兴的威胁。

此外，AI 本身也正日益成为抵御安全攻击的有力助手。通过基于网络的监测与先进的代码分析，AI 驱动的技术能够以人类难以企及的速度和规模识别可疑行为，并发现潜在漏洞。Arm 正在最大限度地发挥这一优势。

随着 AI 模型在日常计算中日益普及，保护其完整性变得尤为重要。这推动了机密计算架构 (CCA)的崛起——即使处于潜在不可信的环境中，此类架构也能为敏感的 AI 计算创建“安全飞地”。而针对长期以来被攻击者频繁利用的内存漏洞，行业也正在通过一系列创新手段加以解决，例如 Armv9 架构中的内存标记扩展 (MTE) 技术，能使恶意攻击者更难针对内存发起攻击。

AI与芯片面临的挑战与机遇

AI 工作负载的计算需求极大，需要大量电力与能源资源来支持其运行，且这种需求在未来将会持续增长。Kevork 表示，从芯片设计的角度来看，最主要的能耗来源是计算和数据传输。此外，还需要对过程中所产生的热量进行冷却处理。

首先，AI 依赖于大量的乘积累加运算，这就要求芯片中集成高能效的计算结构。与此同时，这些计算并非总在同一位置完成。多数情况下，某些 AI 的输出必须在其他运算或计算组件中进一步处理，这就会产生数据传输，从而带来额外的能源和电力的开销。因此，要实现高能效的 AI 计算，优化计算组件之间的通信至关重要，这些组件可能位于同一芯片内，也可能位于另一个模块或机架中。

此外，将计算单元和内存单元紧密封装，可以最小化延迟和电力损耗，但却也带来了散热方面的挑战。因此，高效的冷却解决方案对于管理能源密度和确保硬件可靠性至关重要。

因此，为降低能源成本，芯片设计正在集成优化的内存层次结构与协同设计的通信机制。这些解决方案既减少了数据的传输，还借助芯片堆叠、高带宽内存以及先进的互连等技术，最大程度地降低剩余数据传输过程中的能耗。与此同时，AI 框架和算法也正日益针对每瓦性能和单位成本性能等指标进行微调，实现算力与经济可持续性之间的平衡。

随着 AI 技术的不断发展，更具能效的芯片设计与更小型、更高效的 AI 模型的研发正不断取得进展。这类模型尤其适合在小型设备上运行生成式 AI 工作负载，具备资源占用更低、准确性更高以及可移植性更强等优势。

此外，行业在数据类型优化方面也在不断进步。例如，全行业推动采用 FP4（4 位浮点数）灵活架构并推出新指令集和功能，带来了增量收益，并有助于实现更高效的 AI 计算。而芯片堆叠技术和 3D 封装技术的发展，也催生了诸如芯粒等更高能效的芯片设计方案。

报告还指出，底层架构的创新也至关重要，如新的指令集和功能的引入，能够为 AI 带来重大的创新机遇。例如，Arm 定期推出的新功能，如可伸缩矢量扩展 (SVE2) 和可伸缩矩阵扩展 (SME)，这些功能都集成于 Arm 架构中，为生态系统增加了新的 AI 能力。值得注意的是，如今的硬件已经具备训练 Transformer 模型的强大能力，而这类模型正是生成式 AI 的基础。

在 Arm 看来，理想的情况是，AI 和芯片技术能够实现一种整体协同设计的方法，即硬件和算法同步开发，以实现最佳性能和效率。

小结

在 AI 时代，芯片设计方式将持续演进，并重新聚焦于高能效计算，以应对日益复杂的计算工作负载。这一趋势体现在通过定制芯片、CSS 以及芯粒等创新方式打造的专用芯片组，从而优化芯片设计中的功耗、性能与面积。

报告指出，芯片设计的成功将越来越依赖于以下几点：IP 提供商、晶圆代工厂与系统集成商之间的紧密合作；计算、内存与电源传输之间的系统级优化；接口的标准化，以支持模块化设计；针对特定工作负载的专用架构以及能灵活应对新兴威胁的强大安全框架。

“若想取得成功，我们既要直面复杂性，又要找到高效管理复杂性的方法——这将依赖于全新的工具、方法论，以及生态系统内前所未有的协作，”Kevork 总结道，“唯有通过整个生态系统的协作，我们方能构建起必要的技术基石——既能释放 AI 的变革潜力，又能有效管控其计算成本与复杂度。”

通过与半导体生态系统中的合作伙伴持续协作，Arm将持续致力于应对能效、安全性和性能等根本性挑战，定义计算的未来。